Генеративный ИИ обещает революцию в производительности программирования, но за кажущейся эффективностью скрываются серьезные системные риски. Исследование MIT Sloan показывает, что бездумное использование инструментов вроде GitHub Copilot и GPT-4.1 приводит к экспоненциальному росту технического долга, что в долгосрочной перспективе обходится дороже сиюминутного выигрыша в скорости.
Парадокс продуктивности
По данным GitHub, разработчики с Copilot становятся на 55% продуктивнее, а McKinsey сообщает о двукратном ускорении выполнения задач. Однако эти цифры получены в контролируемых условиях изолированных тестов, а не в реальных проектах с legacy-кодом и сложными зависимостями.
Проблема не в том, что ИИ плохо генерирует код — проблема в том, что он генерирует его слишком хорошо и быстро, без понимания архитектурного контекста. Это как нанимать стажеров, которые пишут много кода, но не несут за него ответственности.
Технический долг 2.0
Когда организации массово внедряют ИИ-сгенерированный код в существующие системы, они создают запутанные зависимости, которые многократно увеличивают технический долг — стоимость будущих доработок для исправления быстрых решений, принятых при разработке.
Технический долг — это скрытая изнанка цифровых технологий: 60-летний COBOL-код в банковских системах, который никогда должным образом не документировался или не обновлялся, или двухзначное представление года вместо четырехзначного, приведшее к Y2K-кризису, на устранение последствий которого ушли сотни миллиардов долларов.
Накопление технического долга приводит к замедлению циклов разработки, росту сложности и уязвимостей безопасности, потенциально вызывая отказы систем.
Материал MIT Sloan Management Review.
Оставить комментарий